专题征稿 | 北京大学杨玉超教授向您邀稿：面向人工智能系统的存内计算

客座编辑

杨玉超教授长期从事存算一体芯片、类脑计算、脑机接口等研究，主持国家重点研发计划、新基石研究员项目、国家杰青、基金委重大研究计划集成项目、基金委重点项目、北方先进工艺研究院双1+1工程重点项目、霍英东青年教师基金等重大/重点科研项目20余项，相关研究成果累计发表Nature Electronics、Nature Reviews Materials、Nature Nanotechnology、Nature Communications、Science Advances、IEDM、ISSCC、VLSI、MICRO、HPCA等期刊和会议论文180余篇，其中包括Nature子刊系列20余篇，受邀撰写中英文专著5章，获30余项国家发明专利授权。累计被引16000余次，H因子为58，研究工作入选智源人工智能研究院发布的“2020年人工智能十大进展”、爱集微发布的“2022年度中国半导体十大学术进展”。曾70余次受邀在国际学术会议上做大会、主旨/特邀报告，任国家重点研发计划项目首席科学家、第六届中青科协理事、第七届中青科协理事、《npj Unconventional Computing》副主编、《Microelectronic Engineering》副主编、《电子学报》领域编委、《半导体学报》编委、《National Science Review》编委、《Chip》编委、《中国科学：信息科学》青年编委等。获首届科学探索奖、教育部青年科学奖、杰出青年中关村奖、求是杰出青年学者奖、Wiley青年研究者奖、麻省理工科技评论中国区35岁以下科技创新35人、华为计算产品线最佳技术合作奖、深圳市青年杰出科技创新人才等奖项。

Sungjun Kim 博士的研究方向聚焦于新兴存储器技术、神经形态电子学、传感器内计算，以及面向下一代人工智能系统的存内计算硬件。在进入学术界之前，他曾就职于三星电子，参与了用于未来非易失性存储器应用的相变存储器（PRAM）和 Ovonic 阈值开关（OTS）选择器技术的研发工作。Sungjun Kim 博士本科毕业于汉阳大学，并在首尔大学获得电气与计算机工程硕士和博士学位。他目前的研究兴趣包括阻变随机存取存储器（RRAM）、铁电器件、氧化物半导体电子学、以存储为中心的 AI 硬件以及神经形态计算系统。此外，他还担任韩国 K‑Chips 计划中存储器分部的委员会成员。

李燦博士于北京大学取得理学学士（微电子学）和理学硕士（微电子学与固体电子学）学位，2018 年在美国马萨诸塞大学阿默斯特分校获得电子工程博士学位。其后加入惠普实验室，参与开发基于忆阻器的人工智能加速器，并随后移居香港，现任香港大学电机电子工程系和智慧科学研究院助理教授。李博士的研究旨在构建模拟人脑运作方式的电路和系统，通过优化算法与全模拟信号处理，实现传统计算机难以完成的更高级人工智能。在过去三年中，他开发了降低新兴纳米器件随机性的方法，用于实现可靠的计算加速，同时也将这种不可预测性作为一种独特功能，用以提升计算复杂度。近年来，他共发表经同行评审的学术论文 82 篇，其中包括 19 篇发表于《自然》（Nature）系列期刊的研究论文。基于其突出的科研成果，加入香港大学后，他先后获得国家自然科学基金优秀青年科学基金、香港研究资助局青年学者奖（Early Career Award）以及裘槎基金会麦德华创新奖（Croucher Tak Wah Mak Innovation Award）。

Nima TaheriNejad 博士于 2015 年在加拿大英属哥伦比亚大学（UBC，温哥华）获得电气与计算机工程博士学位。现任德国海德堡大学全职教授。他的研究方向包括新兴计算范式（尤其是以存储为中心计算和近似计算）、信息物理与嵌入式系统、智慧医疗以及人工智能。

TaheriNejad 教授已出版专著 3 部，拥有 5 项专利，并发表学术论文 100 余篇。他曾获得多项来自高校、学术会议及竞赛的奖项和奖学金。此外，他还担任多种学术期刊的编辑，并在多项会议与研讨会中担任组织者和主席。在学术共同体服务方面，他共同创立并组织了多项与本专题高度相关的重要学术活动，包括每两周一次、面向全球开放的免费网络报告系列 “Mondays‑in‑Memory（MiM Webinar）”、与 DAC 联合举办的“存内体系结构与计算应用研讨会（iMACAW）”，以及“以存储为中心计算的跨学科会议（CCMCC）”。

温世平博士是深圳先进技术大学计算机科学与工程学院杰出教授。2019 年 11 月至 2026 年 3 月期间，他在澳大利亚悉尼科技大学（UTS）工程与信息技术学院人工智能研究所（AAII）任教授职务。他同时是英国物理学会（Institute of Physics）会士以及英国计算机学会（BCS）会士。他聚焦计算智能与控制工程领域，围绕基于非线性神经网络的结构研究与设计、神经网络的动力学分析及切换控制、基于神经网络的动态联想学习算法的研究及应用等方面存在的关键科学问题展开了系统深入的研究。

专题征稿

存内计算通过使数据处理直接在存储器内部完成，提供了一种极具吸引力的替代路径，从而有效缓解了由计算与存储分离、数据频繁搬移所带来的延迟瓶颈。在信息物理系统和嵌入式系统对高速度与高能效需求不断增长的背景下，存内计算引入了以存储为中心计算、近似计算等新兴计算范式。随着新型氧化物半导体器件的出现，包括阻变随机存取存储器（RRAM）和铁电场效应晶体管（FeFET），研究人员正积极探索在满足 AI 工作负载严苛性能与能效要求的同时，进一步提升计算效率的解决方案。面向硬件的 AI 加速器开发亟需对下一代存储技术具备深入理解，其中包括 Flash 和 2T DRAM 系统，以及支撑相关体系结构的新型选择器器件。

本专题合集旨在系统阐释新兴器件在塑造面向 AI 应用的存内计算技术发展格局中的潜在作用。关注的主题包括（但不限于）：

•面向 AI 系统的以存储为中心的体系结构设计

•AI 中的近似计算方法与技术

•阻变随机存取存储器（RRAM）技术的最新进展

•铁电隧道结（FTJ）在存内计算中的集成与应用

•铁电场效应晶体管（FeFET）的研发与应用

•Flash 与 2T DRAM 存储技术的创新进展

•面向硬件的 AI 加速器设计方法学

•新兴计算范式中的可扩展性与能效挑战

•新型选择器器件及其在存储体系结构中的关键作用

•存内计算在信息物理系统与嵌入式系统中的应用实践

点击“阅读原文”，访问征稿页面